人为排放及气象因素对空气质量影响的定量分析——以疫情期间邢台市为例

亓浩雲,王晓琦,程水源

人为排放及气象因素对空气质量影响的定量分析——以疫情期间邢台市为例

亓浩雲,王晓琦,程水源*

(北京工业大学环境与生命学部,区域大气复合污染防治北京市重点实验室,北京 100020)

选择河北省邢台市作为研究对象,将2020疫情作为一个极限管控措施下的极限减排实验情景,把2021疫情作为未来常态化疫情防控实验分析情景.与疫情前期对比,两次疫情期间臭氧浓度均有提升且2021疫情时期颗粒物浓度同样有提高,2020疫情时期其他污染物浓度均有不同程度的改善,而与2019历史同期相比,两次疫情期间臭氧浓度同样有升高现象,除此以外,2021疫情时期污染物改善较好.利用长短期记忆网络 (LSTM)算法和空气质量预报模式系统(WRF-CMAQ)量化了两次疫情时期气象因素对于污染物浓度变化的影响,根据空气质量模拟法反推了不同污染物受人为影响的浓度变化.实验结果表明,LSTM算法在两次疫情期间的模拟均显示人为影响对污染物产生了负影响(降低了污染物浓度)且在总变化影响中占比较高,而CMAQ模式模拟结果中的气象因素影响占比远高于LSTM算法.CMAQ模式在两次疫情模拟中表现出了不同的结果,在2020疫情中人为影响占据了主导,而在2021疫情中,相比较2020疫情时期,除NO2外,人类活动对其他污染物的影响均为正值(促进了污染物浓度升高).

机器学习算法；空气质量模型；新冠肺炎；邢台市；PM2.5

国内外大量学者针对新冠肺炎造成的封锁等一系列管控措施对城市空气质量产生的影响进行了深度分析,其中,为了分析气象因素、人为因素对空气质量产生的具体影响,部分研究使用了统计分析法,更多的研究基于空气质量模型、机器学习模型进行了量化分析.空气质量模型的研发始于1960年代,目前为止已经发展到了第三代,空气质量模型纳入了大气中的主要反应,利用气象模式输入的气象场以及研究区域的污染源排放清单数据,最大程度模拟真实大气环境,但空气质量模型的准确性依赖于污染源清单以及气象场的模拟精度,而污染源清单更新周期长、气象场模型参数配置复杂造成了空气质量模型难以准确模拟以及实时得到污染物浓度.机器学习运用不同算法引导计算机学习已有数据获得模型,训练通过自动提取输入数据的特征能在多次迭代后获得最优算法,但机器学习算法主要针对单个站点且缺少理化过程的可解释性,两种方法的特点不同,通过对比两种方法得到的结果,可以为大气环境管理提供研究思路.

Huang等[1]利用WRF-CMAQ设置不同减排方案分析了武汉市不同污染源封锁期间对各污染物的影响,Zhang等[2]利用CMAQ模式直接量化了由于人为减排而导致的疫情封锁期间印度空气质量的变化,Granella等[3]基于一种机器学习方法,通过构建反事实场景,隔离天气变化的影响,量化了意大利伦巴底地区排放变化对污染物浓度的影响.大部分研究显示,2020年新冠肺炎疫情初次爆发后,为防止疫情扩散采取了极限管控措施的情况下,除臭氧以外,大部分城市中的各主要污染物(PM2.5、PM10、SO2、NO2、CO)浓度均有不同程度下降,而臭氧浓度没有显著下降甚至出现上升的现象,如Mario等[4]对奥地利格拉茨的研究、Chen等[5]对中国大陆各省份的研究、Fu等[6]对除南极洲外的六大洲20个主要受到疫情影响城市的研究.在疫情对空气质量影响的不确定性研究中,Huang等[1]认为应仔细评估疫情影响时期的气象条件,Rudke等[7]建议在分析疫情对空气质量的影响时应充分考虑这一时期的大气状况.基于以上研究,考虑到新冠病毒可能与人类长时间共存,本研究选择遭受到2次疫情爆发的河北省邢台市作为研究区域,以2020年疫情时期作为极限管控措施下的减排实验分析情景、2021年疫情时期作为未来应对疫情突然爆发后短时间内政府实施一定的交通管制、暂停部分密闭场所营业政策的实验分析情景,与此同时,考虑到现有的公开气象观测数据种类有限,无法完整表征出气象条件进行分析,本研究使用LSTM算法作为机器学习方法的代表,同时使用WRF-CMAQ模式作为空气质量模型的代表来进行疫情期间气象因素量化分析,根据气象因素量化的结果计算得出人为因素对各主要污染物的影响.

1 材料与方法

1.1 研究区域概况

邢台市位于河北省中南部,地处太行山脉与华北平原的交汇处.市内铁路、高速路纵贯南北,与邢台国际内陆港、邢台机场构成了“东出西联,南承北接”的交通枢纽.邢台市属于暖温带亚湿润季风气候,四季分明,降水集中.邢台市总面积12400km2,市区建成区面积214.84km2,常住人口739.52万人,城镇人口401.04万人(图1).

图1 邢台市人口密度

1.2 研究数据

1.2.1 数据来源 6种污染物数据来源为中国环境监测总站的全国城市空气质量实时发布平台(http://106.37.208.233:20035/),包含邢台市4个空气质量监测点(达活泉站、邢师高专站、路桥公司站、市环保局站),污染物数据包括CO、NO2、O3、PM2.5、PM10、SO26种污染物的逐时浓度数据.近地面常规气象数据(空气温度、露点温度、海平面气压、风速、风向、能见度、6h降雨量)来源于中国气象局常规地面观测,时间尺度为3h,选取的是邢台市气象站点(114.3°E,37.04°N),观测站海拔高度77.3m,为了匹配气象数据,将空气质量数据筛选为3h时间间隔的数据.人口密度数据来自于LandScan全球人口动态统计分析数据库,由美国能源部橡树岭国家实验室(ORNL)开发,East View Cartographic提供(https://www.satpalda.com/product/ landscan/).

依据邢台市人民政府网站中关于新冠肺炎疫情的防控公告及国家统计局、卫健委病患数以及病例信息公布数据,将邢台市2次疫情的防控时间划分为2020年疫情防控前期(2019年12月22日～2020年1月25日)和2020年疫情防控期(1月26日～2月29日)、2021年疫情防控前期(2020年12月11日～2021年1月3日)和2021年疫情防控期(2021年1月4日～2021年1月27日).

1.2.2 数据预处理 各空气质量监测站点的监测数据存在缺失,短期的缺失值选择近7h的平均值代替,长期的缺失值选择近20h的平均值代替[8].由于臭氧等污染物存在较为明显的时间变化特征,包括日变化、季节变化[9-10],同时,为了在一年中的某个时间创建相同的逻辑循环并捕捉排放源随时间的变化[11-12],本文对月变量和日变量进行处理,利用python中的时间戳功能及三角函数创建了新的日变化特征、月变化特征,加入到数据集中,较好地体现出了时间变化特征.最终获得4个监测站点2017年1月1日～2019年12月31日逐3h数据,每组数据共有17个特征.

由于量纲不统一,特征的单位、大小相差较大,容易影响结果,为了防止模型学习不到其他特征,对数据进行Min-Max归一化处理,归一化指定区间为0～1,公式如下:

式中:为归一化后的中间值;为原始值;min为原始数据的最小值;max为原始数据的最大值;为最终结果;mx为指定区间的最大值;mi为指定区间的最小值.

1.3 LSTM算法

1.3.1 算法原理 长短期记忆网络(LSTM)是一种特殊的循环神经网络算法,传统的循环神经网络算法在反向传播更新参数时,梯度会按照时间步连续相乘,容易导致梯度消失或爆炸[13],因此,在1997年Hochreitere等[14]提出了LSTM算法.

LSTM算法的细胞单元结构图如图2所示.

图2 LSTM细胞单元结构[15]

式中:w、w、w、w、w、w、w、w为各相应门限、细胞态的待训练参数矩阵,b、b、b、b为各相应门限、细胞态对应权重的待训练偏置项,是上个时刻的短期记忆体,是Sigmoid激活函数的前馈网络层[19],为记忆体.

本研究的训练数据集为2017年1月1日～2019年11月30日,验证数据集为2019年12月1日～2019年12月21日,测试数据集为两次疫情前及疫情时期,包括2019年12月22日～2020年2月29日、2020年12月1日～2021年1月27日.在训练、验证、测试各过程中,为达到最好的模拟效果,针对不同监测站点的不同污染物分别放入LSTM算法进行训练.

模型评价指标选取(相关性系数)、RMSE(均方根误差)、MAE(平均绝对误差),各评价指标的计算公式如下:

式中:为数据值的数量;y为污染物浓度经过模型计算的预测值;t为污染物浓度的真实观测值,mg/m3,为观测数据的平均值,mg/m3,为模型预测数据的平均值,mg/m3.

1.3.2 算法网络结构及方法描述 本研究的实验环境部署在windows10操作系统,利用Tensorflow学习库进行LSTM算法实验,python采用3.7版本.

LSTM算法由3层基本网络构成,包括输入层、隐藏层、输出层,本研究设计的隐藏层:第一层为LSTM层(设置了80个记忆体);第二层为Dropout层(比例设置为0.2);第三层为LSTM层(设置了100个记忆体);第四层为Dropout层(比例设置为0.2);最后一层为全连接层,损失函数使用MSE(均方根误差),采用Adam优化器,学习率设置为0.0002.本研究使用过去8h的污染物浓度数据和气象数据、以及两种日变化虚拟变量、两种月变化虚拟变量作为输入数据,总计136项自变量,输出数据为未来1h的各污染物浓度数据.

通过LSTM算法预测的污染物浓度数据与真实监测数据的差值来评估疫情管控对邢台市空气质量产生的影响,该方法基于以下假设:通过训练集训练获得的算法模型保留了疫情发生前污染物浓度数据、气象数据、时间虚拟变量之间的非线性关系[12],将疫情期间的气象数据与疫情前的气象数据互换,可以得到相同排放条件下不同气象条件的污染物浓度数据,由于人民日常活动水平、社会生产变化水平数据较难获取,因此,疫情发生后疫情管控导致的空气质量变化值等于总变化值(疫情管控期间与疫情前之间的污染物浓度差值)减去由LSTM算法模拟获得的不同气象条件下污染物浓度变化值.

1.4 WRF-CMAQ模型设置

本文使用的空气质量模型是WRF与CMAQ的耦合模式,本次研究使用的WRF版本为4.0,CMAQ版本为5.3.2,化学机制为cb05_ae6_aq,微物理过程方案选择Thompson等方案,长波辐射机制选择RRTM,短波辐射方案选择Dudhia,陆面过程方案选择Noah,边界层方案选择YSU,积云参数化方案选择浅对流Kain-Fritsch,气象数据使用NCEP提供的FNL全球再分析资料,时间间隔为6h,水平分辨率1°×1°,京津冀区域外大气污染排放清单数据使用了2017年MEIC清单[20],MEIC清单是清华大学开发的中国每月人为排放高分辨率清单,包括工艺过程源、固定燃烧源、移动源、溶剂使用源、废弃物处理源以及农业源6大类,分辨率为0.25°京津冀区县级排放清单来自本实验室课题组多年积累[21],该清单包含SO2、NO、PM2.5、PM10、TSP、CO、VOCs、NH3等10类污染物种排放总量信息,根据排放源特征分为8类:电力、工业源、居民源、移动源、扬尘源、VOCs排放源、氨排放源.

利用WRF提供的中尺度气象场输入到CMAQ模式中,模拟采用双层网格嵌套(图3),分辨率分别为9km和3km,外层水平网格数为90×90,内层水平网格数为90×70,垂直方向分为28层.模式模拟的验证数据集时间为2018年12月1日～2019年2月28日.

图3 WRF-CMAQ双层嵌套示意

2 结果与讨论

2.1 预测效果及评价

通过不断调整优化LSTM算法中的超参数,并且多次实验以减少算法误差,发现迭代次数在400～ 600次时,大部分污染物的预测效果可以达到最好.在各监测站点上的不同污染物验证数据效果评价如表1所示,除SO2外,其余污染物的预测值与检测值的相关系数均超过0.8,研究发现,对SO2的预测中,对突发高值的预测效果较差,可能是由于SO2与其他输入特征的皮尔逊相关系数较低,因此导致预测效果较差.

表1 基于LSTM算法的各站点验证数据集的预测效果

与代兴良等[12]利用随机森林算法的研究相比,本研究LSTM预测的SO2误差较大,CO的预测效果几乎一致,其他污染物的预测效果均优于其研究的预测效果.与何哲祥等[22]利用基于小波变换的LSTM大气污染预测模型对比,在RMSE这一指标中,本研究LSTM预测的PM2.5、SO2较高,差值分别为2.3、0.74,PM10、NO2、O3较低,差值分别为3.17,3.94,22.19.与Zhang等[23]利用CMAQ4.7.1对青岛PM2.5的逐时模拟结果相比,本研究对PM2.5的预测相关性系数指标高出了0.13～0.23.

如图4所示,所选取时间段内的气象站点所在网格的模拟温度、风速、风向、相对湿度与观测值整体趋势较吻合,总的来说,WRF模式能够较好地模拟出邢台市测试时间段的气象状况,满足CMAQ所需要的气象条件输入.

从WRF-CMAQ模拟结果来看,模拟效果最好的污染物是O3,与LSTM算法相似,SO2的模拟效果最差(表2),这可能是模型中SO2氧化太慢导致[24].与Chen等[24]利用WRF-Chem对北京的模拟结果相比,颗粒物和CO模拟效果较差,而O3、SO2模拟效果较好.与LSTM算法相比,CMAQ模型模拟的各污染物误差较大,这是由于空气质量模型物理化学机理复杂、排放源清单存在较大不确定性,同时,模式的物理参数仍需不断完善.机器学习算法能够有效捕捉各类污染物之间隐藏的非线性特征[25],从而导致CMAQ的准确性低于机器学习算法.

图4 WRF模拟效果评估图

表2 基于CMAQ模型的各站点验证数据集的预测效果

2.2 疫情对空气质量的影响分析

对比分析邢台市两次疫情对空气质量产生的影响,如表3所示.总体来看,两次疫情期间与疫情前、2019年历史同期对比,空气质量均有不同程度的改善,除O3以外,其他各项污染物浓度都有不同程度水平的下降,O3_8h浓度在两次疫情期间却得到了上升,这与大多数2020年冬季疫情期间的空气质量变化研究相符合[12,26-29].由表4可知,温度较高、湿度较低、风速较大、降水少、能见度高,气象条件有利于颗粒物等污染物扩散、同时也利于臭氧的积累.2021疫情期间与疫情前相比,温度较低、湿度较低、风速较大、能见度较高,气象条件有利于颗粒物等污染物扩散,不利于颗粒物吸湿增长和污染物二次反应.

表3 各污染物不同时期平均浓度对比

表4 不同时期气象要素对比

2020年疫情管控期间与2020年疫情前期对比可得,O3_8h浓度上升38.32mg/m3,增长幅度为101.48%;CO、NO2、PM10、PM2.5、SO2浓度分别降低0.96mg/m3,38.20mg/m3,84.41mg/m3,60.55mg/m3,5.75mg/m3,AQI均值下降71.17,降幅分别为41.74%、61.14%、44.07%、43.19%、28.47%、39.43%.与2019年同期对比可得,O3_8h浓度上升12.64mg/m3,增长幅度为19.92%; CO、NO2、PM10、PM2.5、SO2浓度分别降低0.29mg/m3,26.51mg/m3,86.15mg/m3,54.26mg/m3,15.26mg/m3,AQI均值下降63.34,降幅分别为17.79%、52.20%、44.58%、40.52%、51.36%、36.69%.

2021年疫情管控期间与2021年疫情前期对比可得,O3_8h、PM10、PM2.5、浓度分别上升22.00,29.46,6.37mg/m3,增长幅度分别为59.39%、25.89%、9.87%;CO、NO2、SO2浓度分别降低0.16mg/m3,21.54mg/m3,2.63mg/m3,降幅分别为10.73%、36.41%、14.15%,AQI均值上升20.17,增长幅度为21.43%.与2019年同期对比可得,O3_8h浓度上升24.09mg/m3,增长幅度为68.92%;CO、NO2、PM10、PM2.5、SO2浓度分别降低0.80mg/m3、35.88mg/m3、64.20mg/m3、57.13mg/m3、22.30mg/m3,AQI均值下降52.66,降幅分别为37.55%、48.81%、30.95%、44.63%、58.30%、31.55%.

对比两次疫情管控期间的空气质量变化,发现2020年疫情管控期的污染物改善降幅环比高于2019年历史同比,而2021年疫情管控期的污染物改善降幅环比低于2019年历史同比,与疫情前期对比,2020疫情时期污染物改善更多,而与2019历史同期相比,2021疫情时期污染物改善较好,这主要是因为2020疫情爆发后,政府立即实行了封锁城市,最大限度减少公众聚集性活动,而2021年疫情前期,全球疫情形势依旧严峻,我国一直处于常态化防疫状态,仍实施了一定的管控措施防止发生大规模聚集,因此在2021疫情爆发后,政府只对疫情区进行了一定程度的封锁,主要限制了移动源的排放,对其他污染源限制较少.与疫情前期相比,两次疫情管控期间改善最多的污染物均为NO2,这一现象与2020年疫情管控期正处于我国春节假期以及两次疫情期间政府实施了严格的交通管制措施有很大关系,与2019年历史同期相比发现,2020疫情时期改善最多的污染物是NO2其次是SO2,2021疫情时期改善最多的污染物是SO2,其次是NO2.

两次疫情期间,O3_8h浓度均有不同程度的升高,这与NO污染物浓度的大幅度降低从而减弱了与O3之间的“滴定作用”有很大关系,同时,有研究指出,颗粒物浓度的下降将大幅度提高O3冬季污染风险[30],这与两次疫情期间颗粒物浓度的下降、O3_8h浓度的升高情况较为符合.

通常用SO2/NO2比率评估固定源、移动源对空气污染贡献的程度[31],两次疫情管控期间的SO2/NO2比率与疫情前期相比均有一定的增长,说明发生疫情后政府的主要管控措施是限制聚集性活动、减少人民外出等封锁性政策,移动源污染贡献下降较多,而固定源污染贡献下降较少.

2.3 利用LSTM对两次疫情气象因素量化分析

为了量化两次疫情管控期间气象因素、人为减排因素分别对污染物浓度变化产生的影响,基于LSTM算法分析,利用训练集为2017年1月1日～ 2019年11月30日的污染物浓度数据、气象数据的训练模型,将两次疫情的气象因素特征分别与疫情前期相同时间段进行替换,再利用LSTM算法进行多次模拟取平均值,计算得到疫情前与疫情期由于气象因素产生的影响的量化结果.

由于LSTM算法的鲁棒性较好,且除了主要的空气污染物以外,其余的气象因素与模拟的污染物的皮尔逊相关系数较低,因此,基于LSTM算法的疫情期间气象因素量化结果整体偏低.

如表5所示,两次疫情时期的气象因素对CO、NO2、PM10、PM2.5、SO2等污染物均有改善作用,而对O3浓度的上升产生了一定的贡献,同时,2020年疫情气象因素对O3浓度上升产生的贡献高于2021年疫情,这与两次疫情时期前后气象因素对比较为符合,2020疫情时期温度高于疫情前期、相对湿度低于疫情前期,高温低湿易造成臭氧浓度升高,而2021疫情时期温度、相对湿度均低于疫情前期.基于LSTM算法模拟的2020年疫情时期受气象因素影响变化幅度最大的污染物是SO2,其次是O3、CO,受气象因素影响变化幅度最小的污染是NO2;2021年疫情时期受气象因素影响变化幅度最大的污染物是O3,其次是SO2,受气象因素影响变化幅度最小的污染物是NO2.

表5 基于LSTM的两次疫情时期气象因素对污染物影响量化

注:气象因素影响百分比为量化的疫情气象因素对污染物数据的影响值与原始气象数据模拟的污染物数据的比.

2.4 利用CMAQ对两次疫情气象因素量化分析

由于CMAQ模式中有WRF模式作为空气质量模式的气象输入,因此通过固定污染源清单并替换疫情前与疫情期的气象输入文件的方法来定量分析气象因素对各主要污染物的影响,将疫情前与疫情期的气象文件进行替换后,通过交叉验证得到疫情期间较为准确的气象因素量化数据.

表6 基于CMAQ的两次疫情时期气象因素对污染物影响量化

CMAQ模式的模拟结果明显与WRF气象输入文件有着紧密的联系,整体模拟结果受气象因素影响远大于LSTM算法.如表6所示,与LSTM算法模拟结果趋势较为一致,两次疫情时期的气象因素对CO、NO2、PM10、PM2.5、SO2等污染物均有改善作用,而对O3浓度的上升产生了一定的贡献且2020年疫情气象因素对O3浓度上升产生的贡献高于2021年疫情,基于WRF－CMAQ模式模拟的2020、2021年两次疫情时期受气象因素影响变化幅度最大的污染物均为O3,同时,两次疫情时期受气象因素影响变化幅度最小的污染物都是NO2.

2.5 综合分析

本次研究假定各类污染物的变化仅由气象因素和人为因素影响引起,人为因素影响的各类污染物的变化值等于各类污染物变化总值减去气象因素影响的各类污染物的变化值,同时利用人为因素影响量化数据除以人为因素影响量化数据、气象因素影响量化数据绝对值的和,作为人为影响百分比数据.

如表7、8所示,由于LSTM算法稳定性较好,不易受其他变量条件干扰,在交换气象数据后对模拟结果产生的影响较小,因此两次疫情期间气象量化模拟过程中,LSTM算法模拟均显示人为影响对污染物浓度变化产生了较高的影响,而CMAQ模式与气象模式WRF耦合,使其包含了较为完整的气象数据,从而提高了气象因素在影响量化结果中的占比.基于CMAQ的两次疫情模拟中,人为影响均促进了SO2的浓度提升,这与北方冬季取暖发电等有一定的关系.

总体来说,CMAQ模式中的气象因素影响占比远高于LSTM算法,LSTM算法的模拟结果显示大部分污染物受人为影响百分比远大于气象因素,同时,两种模拟方法均显示受人为影响最大的污染物是NO2,这主要是因为疫情期间为防止病毒扩散从而限制人员流动并实施了严格的交通方面的管制措施.而CMAQ模式在两次疫情模拟中表现出了不同的结果:在2020疫情期间,中国正处于春节期间,政府采取了停工停产、居家隔离等严格的封锁政策,这些政策严重限制了社会生产活动,导致人为因素对各类污染物的影响较大且主要为负影响,使得在2020疫情中人为影响占据了主导条件,而在2021疫情期间,在面对第二次疫情突发时期,政府部门等有了较为丰富的应对经验,并且第二次疫情突发时期在春节假期之前,工厂等没有大面积停工,采取的主要防疫措施为一定的交通管制、减少大范围人口聚集等,相比较2020疫情时期,除NO2外,其他污染物的人为影响均为正值(促进了污染物浓度升高),也从一定程度上说明了在第二次面对疫情突发情况时,政府进行了一定的管控措施后仍能维持其他工业商业活动正常运转.

表7 基于LSTM的各污染物两次疫情受人为影响对比

注:CO单位为mg/m3,其余污染物单位为μg/m3.

表8 基于CMAQ的各污染物两次疫情受人为影响对比

注:CO单位为mg/m3,其余污染物单位为μg/m3.

3 结论

3.1 对比两次疫情管控期的空气质量变化,发现2020年疫情管控期的污染物改善降幅环比高于2019历史同比,而2021年疫情管控期的污染物改善降幅环比低于2019历史同比.与疫情前期相比,2020疫情时期除O3外其他污染物均有不同程度的改善幅度,2021疫情时期O3和颗粒物浓度得到了提高,而与2019历史同期相比,两次疫情期间的O3浓度均有升高,除此以外,2021疫情时期污染物改善幅度更大.

3.2 两次疫情期间气象量化模拟过程,LSTM算法模拟均显示人为影响对污染物浓度变化产生了较高的影响,而CMAQ模式中的气象因素影响占比远高于LSTM算法.两种模拟方法显示,在两次疫情期间受人为影响最大的污染物均为NO2.

3.3 CMAQ模式在两次疫情模拟中表现出了不同的结果:在2020疫情中人为影响占据了主导,而在2021疫情中,除NO2外,其他污染物的人为影响均为正值(促进了污染物浓度升高).

[1] Huang C,Wang T,Niu T,et al. Study on the variation of air pollutant concentration and its formation mechanism during the COVID- 19period in Wuhan [J]. Atmospheric Environment,2021,251(12-14): 118276.

[2] Zhang M,Katiyar A,Zhu S,et al. Impact of reduced anthropogenic emissions during COVID-19 on air quality in India [J]. Atmospheric Chemistry and Physics,2021,21(5):4025-4037.

[3] Granella F,Aleluia Reis L,Bosetti V,et al. COVID-19 lockdown only partially alleviates health impacts of air pollution in Northern Italy [J]. Environmental Research Letters,2021,16:0350123.

[4] Lovrić M,Pavlović K,Vuković M,et al. Understanding the true effects of the COVID-19lockdown on air pollution by means of machine learning [J]. Environmental Pollution (1987),2021,274: 115900.

[5] Chen Q X,Huang C L,Yuan Y,et al. Influence of COVID-19 event on air quality and their association in mainland China [J]. Aerosol and Air Quality Research,2020,20(7):1541-1551.

[6] Fu F,Purvisroberts K L,Williams B. Impact of the COVID- 19pandemic lockdown on air pollution in 20 major cities around the world [J]. Atmosphere,2020,11(11):1189.

[7] Rudke A P,Martins J A,de Almeida D S,et al. How mobility restrictions policy and atmospheric conditions impacted air quality in the State of São Paulo during the COVID-19 outbreak [J]. Environmental Research. 2021,198:111255.

[8] 周永生.基于LSTM神经网络的PM2.5预测 [D]. 长沙:湖南大学,2018.

Zhou Y S. Prediction of PM2.5based on LSTM neural network [D]. Changsha: Hunan University,2018.

[9] 张玉强.研究中国地面臭氧时空分布特征 [D]. 北京:清华大学,2011.

Zhang Y Q. Seasonal and spatial variability of surface ozone over China [D]. Beijing: Tsinghua University,2011.

[10] 聂 滕,李 璇,王雪松,等.北京市夏季臭氧前体物控制区的分布特征 [J]. 北京大学学报(自然科学版),2014,50(3):557-564.

Nie T,Li X,Wang X S,et al. Characteristics of the spatial distributions of ozone-precursor sensitivity regimes in summer over Beijing [J]. Acta Scientiarum Naturalium Universitatis Pekinensis,2014,50(3): 557-564.

[11] Grange S K,Carslaw D C,Lewis A C,et al. Random forest meteorological normalisation models for Swiss PM10trend analysis [J]. Atmospheric Chemistry and Physics,2018,18(9):6223-6239.

[12] 代兴良,宋国君,姜晓群,等.新冠肺炎疫情对咸阳市空气质量的影响 [J]. 中国环境科学,2021,41(7):3106-3114.

Dai X L,Song G J,Jiang X Q,et al. The impact of the COVID- 19pandemic on air quality in Xianyang [J]. China Environmental Science,2021,41(7):3106-3114.

[13] Bengio,Y,Simard,et al. Learning long-term dependencies with gradient descent is difficult [J]. Neural Networks IEEE Transactions on,1994,5(2):157-166.

[14] Hochreiter S,Schmidhuber J. Long short-term memory [J]. Neural Computation,1997,9(8):1735-1780.

[15] 张 宇,张鹏远,颜永红.基于注意力LSTM和多任务学习的远场语音识别 [J]. 清华大学学报(自然科学版),2018,58(3):249-253.

Zhang Y,Zhang P Y,Han Y H. Long short-term memory with attention and multitask learning for distant speech recognition [J]. Journal of Tsinghua University (Science and Technology),2018,58(3):249-253.

[16] Graves A,Mohamed A R,Hinton G. Speech recognition with deep recurrent neural networks [C]. 2013 IEEE International Conference on Acoustics,Speech and Signal Processing (ICASSP). 2013:6645-6649.

[17] Zhou P,Shi W,Tian J,et al. Attention-based bidirectional long short- term memory networks for relation classification [C]//Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers). 2016.

[18] 陈卫华.基于深度学习的上证综指波动率预测效果比较研究 [J]. 统计与信息论坛,2018,33(5):99-106.

Chen W H. Forecasting volatility of shanghai composite index with deep learning [J]. Journal of Statistics and Information,2018,33(5): 99-106.

[19] 於 雯,周武能.基于LSTM的商品评论情感分析 [J]. 计算机系统应用,2018,27(8):159-163.

Yu W,Zhou W N. Sentiment analysis of commodity reviews based on LSTM [J]. Computer Systems & Applications,2018,27(8):159-163.

[20] Bo Z,Dan T,Meng L,et al. Trends in China's anthropogenic emissions since 2010as the consequence of clean air actions [J]. Atmospheric Chemistry & Physics Discussions,2018,18(19):14095- 14111.

[21] 关攀博.典型跨区域污染物传输规律及其主控因子识别研究 [D]. 北京:北京工业大学,2021.

Guan P B. Study on the characteristics of inter-regional air pollutant transport and the chief control factors in typical urban agglomeration [D]. Beijing: Beijing University of Technology,2021.

[22] 何哲祥,李 雷.一种基于小波变换和LSTM的大气污染物浓度预测模型 [J]. 环境工程,2021,39(3):111-119.

He Z X,Li L. An air pollutant concentration prediction model based on wavelet transform and LSTM [J]. Environmental Engineering,2021,39(3):111-119.

[23] Zhang Q,Xue D,Liu X,et al. Process analysis of PM2.5pollution events in a coastal city of China using CMAQ [J]. Journal of Environmental Sciences,2019,79(5):225-238.

[24] Chen D,Liu Z,Fast J,et al. Simulations of sulfate–nitrate–ammonium (SNA) aerosols during the extreme haze events over northern China in October 2014 [J]. Atmospheric Chemistry and Physics,2016,16(16): 10707-10724.

[25] 芦 华,谢 旻,吴 钲,等.基于机器学习的成渝地区空气质量数值预报PM2.5订正方法研究 [J]. 环境科学学报,2020,40(12):4419- 4431.

Lu H,Xie M,Wu Z,et al. Adjusting PM2.5prediction of the numerical air quality forecast model based on machine learning methods in Chengyu region [J]. Acta Scientiae Circumstantiae,2020,40(12):4419- 4431.

[26] Li L,Li Q,Huang L,et al. Air quality changes during the COVID-19lockdown over the Yangtze River Delta Region: An insight into the impact of human activity pattern changes on air pollution variation [J]. Science of the Total Environment,2020,732:139282.

[27] Lian X,Huang J,Huang R,et al. Impact of city lockdown on the air quality of COVID-19-hit of Wuhan city [J]. Science of the Total Environment,2020,42:140556.

[28] Wang S,Zhang Y,Ma J,et al. Responses of decline in air pollution and recovery associated with COVID-19lockdown in the Pearl River Delta [J]. Science of the Total Environment,2020,756:143868.

[29] Wang J,Xu X,Wang S,et al. Heterogeneous effects of COVID- 19lockdown measures on air quality in Northern China [J]. Applied Energy,2020,282:116179.

[30] 余益军,孟晓艳,王 振,等.京津冀地区城市臭氧污染趋势及原因探讨 [J]. 环境科学,2020,41(1):106-114.

Yu Y J,Meng X Y,Wang Z,et al. Driving factors of the significant increase in surface ozone in the Beijing-Tianjin-Hebei Region,China,during 2013～2018 [J]. Environmental Science,2020,41(1):106-114.

[31] Aneja V P,Agarwal A,Roelle P A,et al. Measurements and analysis of criteria pollutants in New Delhi,India [J]. Environment International,2002,27(1):35-42.

Quantitative analysis of the impact of anthropogenic emissions and meteorological factors on air quality: Cases during the epidemic in Xingtai City.

QI Hao-yun,WANG Xiao-qi,CHENG Shui-yuan*

(Key Laboratory of Beijing on Regional Air Pollution Control,Faculty of Environmental and Life,Beijing University of Technology,Beijing 100020,China).,2022,42(8)：3512～3521

Meteorological and human factors during the specific epidemic are critical for effectively evaluating the causes of air quality changes in different areas. This study selected Xingtai City,Hebei Province as the research object,took 2020 epidemic situation as an experimental scenario of extreme emission reduction under the extreme control measures,and 2021 epidemic situation as an experimental analysis scenario of future normalized epidemic prevention and control. Compared with the period prior to the epidemic,the ozone concentration during the two epidemics increased,and the particle concentration during the 2021 epidemic also increased. The concentration of other pollutants during the 2020 epidemic decreased to varying degrees. Compared with the same period in 2019,the ozone concentration during the two epidemics also increased. In addition,the pollutant concentration during the 2021 epidemic declined more. Using LSTM algorithm and WRF-CMAQ model to quantify impacts of meteorological factors on the changes in pollutant concentration during the two epidemic periods. The human-induced changes in different pollutant concentrations were deduced as indicated by the results from the air quality simulation. The simulation of LSTM algorithm during the two outbreaks shows that human being had a negative impact on pollutants (reducing their concentration) and accounted for a high proportion in the total change,while the influence of meteorological factors simulated with CMAQ model was much higher than that with LSTM algorithm. Anthropogenic influences dominated during the 2020 epidemic period,while compared to that during the 2020 epidemic period,the impact of anthropogenic activities on pollutants (except NO2) was positive (promoting an increase in pollutant concentration) during the 2021 epidemic period.

machine learning algorithm；air quality model；COVID-19；Xingtai City；PM2.5

X511

A

1000-6923(2022)08-3512-10

2022-01-28

国家自然科学基金资助项目(51638001)

* 责任作者,教授,chengsy@bjut.edu.cn

亓浩雲(1995-),男,山东威海人,北京工业大学博士研究生,主要研究方向为大气污染数值模型及优化调控.发表论文7篇.